DIRECCIÓN DE HIDROLOGÍA 1

PERSONAL DIRECTIVO

Ing. Amelia Díaz Pabló

Presidenta Ejecutiva del SENAMHI

Ing. Oscar Gustavo Felipe Obando

Director de Hidrología del SENAMHI

Citar como:
Lavado-Casimiro, W. S., Aybar, C., Huerta, A., Sabino, E., Zevallos,
J. & Felipe-Obando O. (2016). Generación de datos grillados de
precipitación diaria (PISCO Pd 1981-2015) y su utilidad para la
estimación de umbrales de precipitaciones máximas. Servicio
Nacional de Meteorología e Hidrología del Perú (SENAMHI).
Estudio de la Dirección de Hidrología.

Lima-Perú
Diciembre 2016

DIRECCIÓN DE HIDROLOGÍA 2
 CONTENIDO

I. ANTECEDENTES ................................................................................................................ 5

II. DATOS DE INGRESO PARA PISCO Pd ............................................................................ 6

III. ESTIMACIÓN DE PISCO - Pd ........................................................................................ 9

IV. VALIDACION DEL PRODUCTO PISCO Pd ............................................................... 11

V. ESTIMACIÓN DE UMBRALES DE PRECIPITACIONES MAXIMAS ......................... 12

VI. RESUMEN GENERAL, LIMITACIONES Y USO A CORTO PLAZO ....................... 18

VII. BIBLIOGRAFÍA ............................................................................................................. 20

DIRECCIÓN DE HIDROLOGÍA 3
Generación de datos grillados de precipitación diaria (PISCO Pd 1981-
2015) y su utilidad para la estimación de umbrales de precipitaciones
máximas.
RESUMEN

Recientemente el Servicio Nacional de Meteorología e Hidrología del Perú

(SENAMHI) ha desarrollado mapas climáticos utilizando técnicas geoestadísticas
bivariadas combinando datos hidroclimáticos observados (in situ) y datos satelitales de
sensoramiento remoto o datos de modelos digitales de elevación, según la variable
hidroclimática de estudio.

En este contexto, con la experiencia adquirida al trabajar estos mapas climáticos en

SENAMHI se están implementando los datos grillados PISCO (“Peruvian Interpolate
data of the SENAMHI’s Climatological and hydrological Observations” por sus siglas
en ingles) que realiza combinaciones de datos observados y de sensoramiento remoto
para obtener mapas hidroclimáticos de alta resolución espacial y temporal.

Así, en el presente trabajo presentamos el producto PISCO para precipitaciones diarias

(PISCO Pd) el cual combina información de datos observados de las estaciones
climatológicas del SENAMHI con datos de precipitación de sensoramiento remoto. El
producto de sensoramiento utilizado como covariable es el CHIRP (“Climate Hazards
Group InfraRed Precipitation”) el cual presenta una resolución espacial de ~0.05° (5
Km) y tiene un rango diario desde Enero de 1981. El período de los datos del presente
trabajo (PISCO Pd) es del 1 de Enero de 1981 hasta el 31 de diciembre del 2015 y
tienen una resolución espacial de ~5Km.

En base a la información observada de datos de estaciones climatológicas de larga

duración (1970-2015), se seleccionaron 187 estaciones a nivel nacional en las cuales se
estimaron los valores de umbrales de precipitaciones extremas utilizando los percentiles
de 75, 90, 95 y 99 % para la duración de lluvia de un día. Finalmente se obtuvieron los
mapas grillados de umbrales a nivel nacional, mezclando geoestadísticamente los
umbrales determinados con las 187 estaciones y el mapa de precipitación máximo
maximorum diario de los datos grillados de PISCO Pd para el período 1981-2015.

DIRECCIÓN DE HIDROLOGÍA 4
 I. ANTECEDENTES

La precipitación es la forzante más importante del ciclo hidrológico y su correcta

estimación es vital para entender distintos procesos hidrológicos, tales como los
orientados a la gestión de los recursos hídricos (Ioris, 2012; Ayre & Nettle, 2015),
modelamiento de cuencas (Andres et al., 2014; Carey et al., 2014), monitoreo de
sequias e inundaciones (Lasage et al., 2015, Thouret et al., 2013) y recarga de acuíferos
(Kuznetsov et al., 2012).

Los pluviómetros ofrecen una acertada información acerca de la cantidad y la frecuencia

de las lluvias. Sin embargo, no posibilitan una adecuada cobertura espacial (Almazroui,
2011; Chappell et al., 2013). La estimación de la distribución espacial de las
precipitaciones en el Perú representan un gran desafío, considerando su compleja
fisiografía y la falta de pluviómetros sobretodo en la región amazónica (Mantas et al.,
2015).

En este contexto, los productos de estimación de precipitación por satélites tal como
CHIRP proporcionan una fuente alternativa de información de precipitación en zonas
donde esta es inexistente o es espacialmente mal distribuida. Sin embargo, a menudo
muestran una alta incertidumbre y un rendimiento pobre cuando son comparados con
observaciones de pluviómetros (Stisen & Tumbo, 2015).

El SENAMHI a través de la Dirección de Hidrología ha comenzado a producir el

producto PISCO (Peruvian Interpolation data of the SENAMHI’s Climatological and
hydrological Observations) durante los últimos años. PISCO, tiene como objetivo la
generación de datos grillados hidroclimáticos con una resolución espacial de ~ 5 km y
su objetivo es llegar a tener escalas temporales diarias de las variables precipitación,
temperaturas máxima y mínima, evapotranspiración y caudales a nivel del Perú.

En el presente documento presentamos en que consiste el producto PISCO Pd desde

enero de 1981 hasta diciembre del 2015 así como la estimación de umbrales de
precipitaciones máximas.

DIRECCIÓN DE HIDROLOGÍA 5
 II. DATOS DE INGRESO PARA PISCO Pd

Para la generación de PISCO Pd se utilizaron datos que consistieron en:

i) Una base de datos de precipitación diaria (1981-2015) de todo el Perú

procedente de las estaciones climatológicas (EC) del SENAMHI; la cual está
compuesta por 339 estaciones escogidas por presentar al menos 90% de
datos en el período 1981-2015 y
ii) Datos satelitales en formato “ráster” del producto CHIRP a escala diaria
(1981-2015) los cuales tienen una resolución espacial de ~ 5km.

Los datos de las EC fueron sometidos a un proceso de control de calidad. Así, para cada
EC se realizó un proceso de búsqueda de las estaciones más cercanas tomando en cuenta
un radio de 20 km, quedándonos con las 3 estaciones más cercanas para realizar en una
primera fase un control visual comparativo de la información; de no existir estaciones
para realizar la comparación solo se evaluará la consistencia de su serie basado en su
propia climatología con los datos disponibles. Una vez que el registro es óptimo
procedemos a analizar la fiabilidad de los datos atípicos encontrados, para ello
comparamos todos los valores de la serie con la precipitación de 200 años de período de
retorno (T) para dicha estación y de las 3 estaciones cercanas. Si el valor atípico
observado se representa por lo menos en una estación el valor es conservado, si no se
cumple dicha condición el valor es removido de la base de datos. Este criterio se aplicó
para todas las estaciones utilizadas.

En la Figura 1a se observa el total de estaciones utilizadas y en la Figura 1b la

distribución espacial de las 339 estaciones utilizadas para realizar la interpolación. Se
observa claramente el incremento del número de estaciones desde el año 1995.

Luego del proceso de selección de las estaciones, se realizó la completación de datos

faltantes utilizando la metodología de corrección de sesgos “bias correction” mediante
la técnica de mapeo de cuantiles “quantile mapping”. Así, para la completación de datos
se utilizó como base la data grillada de CHIRP que corresponda a cada una de las EC.
Los datos CHIRP son corregidos a través del “quantile mapping” en base a la
información de las EC separándose los datos para cada mes considerando la

DIRECCIÓN DE HIDROLOGÍA 6
información disponible en el período 1981-2015. Finalmente, se utilizaron 339
estaciones completas para realizar la generación del producto PISCO Pd.

Figura 1 a) Distribución de la cantidad de datos por cada día desde el 1 de Enero de 1981 al 31 de
Diciembre del 2015; b) Distribución espacial de las estaciones pluviométricas a nivel nacional.

La información satelital fue obtenida del Climate Hazards group Infrared Precipitation
(CHIRP, Funk et al., 2015), este es un producto de estimación de precipitación por
satélite basado en un algoritmo que mezcla variables predictoras (CHPclim),
precipitación generada a través del Cold Cloud Duration (Mcdougall & Dugdale, 1994)
y climatología del lugar, que da como resultado el producto CHIRP generado a paso
décadiario, para la generación de CHIRP a paso diario este es desagregado en función a
los datos de reanalisis Coupled Forecast System (CFS) versión 2.
Previamente para utilizar el producto CHIRP, se realizó una validación de la misma en
el período 1981-2015 considerando el verano austral (Diciembre a Febrero, DEF), el
invierno austral (Junio a Agosto, JJA) considerados los trimestres húmedos y secos en el
Perú así como también para las series completas. Los estadísticos utilizados fueron el
coeficiente de correlación para medir la sincronización entre las series y el sesgo
(“bias”) para ver la sobre o subestimación del CHIRP con respecto a las ECs.
La Figura 2, muestra espacialmente estos estadísticos y se puede observar que para la
sincronización de los valores estos son mayormente (coeficiente de correlación) estos

DIRECCIÓN DE HIDROLOGÍA 7
son a nivel nacional significativos a excepción de algunas estaciones cercanas al mar en
la costa, en cuanto al coeficiente de correlación globalmente este es mayor en DEF y
menor en la temporada seca JJA, 0.55 y 0.35 respectivamente.
En cuanto al sesgo, se observa que el CHIRP sobreestima las lluvias sobre todo en la
vertiente del Pacífico focalizado en la costa central y sur y cerca al mar. Mientras que en
el resto del país se observa una sobreestimación de las lluvias.
En base a estos estadísticos de comparación se puede concluir que el CHIRP es una
covariable comparable con las lluvias de las ECs y puede ser utilizada para la
generación de los productos mezclados, siempre y cuando se tenga los cuidados del caso
en regiones donde presenta malas performances.

r = 0.5 r = 0.55 r = 0.35

TODO DEF JJA

Figura 2. Estadísticos de comparación (1981-2015) entre las estaciones climatológicas y el producto

CHIRP considerando el total de los datos (a y d), el verano austral lluvioso DEF (b y e) y el invierno
austral seco JJA (c y f). Las figuras de arriba son los valores de coeficiente de correlación, los triángulos
indican correlaciones con significancia estadística al 95% y los círculos sin correlación significativa; las
figuras de abajo indican los valores de sesgo (bias); azul sobre-estimación y rojo sub-estimación.

DIRECCIÓN DE HIDROLOGÍA 8
 III. ESTIMACIÓN DE PISCO - Pd

PISCO Pd en su primera versión es el producto resultado de la combinación

(“merging”) entre los datos de precipitación estimados por el satélite del producto
CHIRP (“Climate Hazards Group InfraRed Precipitation”) y los datos de precipitación
observada de la red de estaciones meteorológicas del SENAMHI.

Para generar el producto PISCO Pd se desarrolló un algoritmo de interpolación que

selecciona la mejor técnica de interpolación para cada día entre “Inverse Distance
Weighting” (IDW), “kriging with external drift” (KED) y “Regression Inverse Distance
Weighting” (RIDW), el procedimiento consta de 2 etapas y se describe en las
siguientes líneas (ver Flujograma de generación en la Figura 3):

i) Primero se evalúa el p-valor obtenido al correlacionar espacialmente para

cada día los datos de las EC y los datos para su correspondiente CHIRP, si el
valor no presenta significancia estadística al 95% (p-valor > 0.05) se
procederá a realizar el IDW optimizando el exponente de ponderación,
siendo la función objetivo la minimización del promedio del error medio
cuadrático (EMC) obtenido en la validación cruzada. Si el p-valor es menor
a 0.05 se procederá a evaluar cual técnica de interpolación de las restantes
(KED y RIDW) se utilizará, esto se realiza también en función al EMC
obtenido en la validación cruzada. Este procedimiento se realiza para todos
los días desde 1981 hasta el 2015, generándose un producto de precipitación
grillado preliminar diario y mensual (Pd y Pdm en Figura 3).
ii) En una segunda parte se plantea corregir la sub-estimación o sobre-
estimación encontrada en el producto de precipitación grillado preliminar
(Pd). Para ello utilizamos los datos CHIRP mensuales y la precipitación
mensual de las estaciones del SENAMHI para generar un producto grillado
mensual bajo las mismas condicionales (Pm en Figura 3). El producto
grillado mensual generado (Pm) y el producto de precipitación grillado
preliminar de datos diarios previamente acumulados a paso mensual (Pdm)
son comparados, generando proporciones grilladas mensuales que son
utilizados para corregir los datos diarios (producto de precipitación grillado

DIRECCIÓN DE HIDROLOGÍA 9
 preliminar, Pd) obteniendo así los datos diarios grillados finales, PISCO Pd
(PRODUCTO FINAL en la Figura 3).

Metodología Pd v1.0
Datos
Espacial
Para
c/día PISCO/Prec_diaria
S Validación
I VAR. cruzada
Log (x+1) R G SI Error Cuadratico SI KED
95 Medio
%
CHIRPS
NO Métodos de
NO Interpolación
R-IDW
IDW

Preliminar M Preliminar
Pdm Pd

PISCO Pm/Pdm si
MENSUAL Factor Pd>0;
Pm 1 si Pd=0 Producto Final
VE refleja la distancia máxima y la forma en que un punto tiene
influencia sobre otro punto a diferentes distancias

Figura 3. Flujograma de generación producto PISCO precipitación diaria versión 1. SIG es significancia
estadística, Pdm es precipitación acumulada mensual preliminar, Pd es precipitación diaria preliminar, Pm
es el producto mensual final.

La ventaja de la utilización del producto PISCO Pd en comparación a la utilización de

solo datos del CHIRP, un método de interpolación en base solo a los estaciones (IDW)
y productos PISCO Pd es que este último recoge la señal espacial del CHIRP y los
valores de lluvia de las ECs; haciendo la distribución espacial de las lluvias más amplia
para un mejor análisis a nivel nacional. Como ejemplo mostramos dos mapas del 26 de
Marzo de 1983 y el del 11 de Febrero del 2012, donde se puede observar (Figura 4) la
mejora de la distribución espacial del PISCO Pd con respecto a la utilización de solo los
datos de las ECs (IDW).

DIRECCIÓN DE HIDROLOGÍA 10
 CHIRP IDW PISCO Pd

Lluvia (mm /día)

Figura 4. Comparación de datos grillados de precipitación diaria para el 26 de Marzo de 1983 (arriba) y el
11 de febrero del 2012 (abajo). CHIRP es el producto satelital de precipitación, IDW son valores
interpolados utilizando el ponderado por el inverso de la distancia de las estaciones climatológicas y
PISCO Pd son los valores interpolados por nuestro método propuesto.

IV. VALIDACION DEL PRODUCTO PISCO Pd

Con el objetivo de evaluar la validez de los datos PISCO Pd se consideró una validación
independiente, la cual se realizó con 80 estaciones automáticas no utilizadas en el
proceso de generación de PISCO Pd (ver Figura 1 para ver estas estaciones); el período
elegido fueron los años 2014 y 2015. La distribución espacial de estas estaciones se
observan en la Figura 5 (triángulos rojos en la parte inferior derecha). Para resumir los
resultados de la validación, estas estaciones automáticas fueron divididas por vertientes
hidrográficas. La Figura 5 muestra la comparación de esta validación utilizando la raíz
del error cuadrático medio (RMSE) expresados por vertientes hidrográficas para el producto
CHIRP y para el producto PISCO Pd. En esta figura se puede observar que la performance de
PISCO Pd mejora bastante respecto a CHIRP en las tres vertientes, así en la vertiente del

DIRECCIÓN DE HIDROLOGÍA 11
Pacífico RMSE pasa de 23 a 1.9, en la vertiente del Amazonas de 35.8 a 3.3 y en la vertiente del
Titicaca de 21.6 a 4.2. Demostrándose la utilidad del PISCO Pd para realizar caracterizaciones
espacio temporales de precipitaciones. Así, PISCO Pd ya puede ser utilizado para determinar
umbrales de precipitación.

Figura 5. Resultados de la validación independiente expresado con el estadístico raíz del error cuadrático
medio (RMSE). Gráficos de dispersión entre los valores satelitales del producto CHIRP (parte superior) y
el producto PISCO Pd (parte inferior) versus datos observados por vertiente hidrográfica. Mapa de la
parte superior derecha son las vertientes hidrográficas en Perú y mapa de la parte inferior izquierda son
estaciones seleccionadas para la validación independiente (triángulos rojos), en el período 2014-2015.

V. ESTIMACIÓN DE UMBRALES DE PRECIPITACIONES MAXIMAS

Para la determinación de umbrales de precipitación máxima se siguió el procedimiento
descrito por Alfaro-Lozano (2014) el cual es utilizado por norma técnica en el
SENAMHI. En resumen de esta metodología, los umbrales de precipitación son
estimados en base a la información de precipitación diaria de una EC, en la cual se
siguen los siguientes procedimientos previos:

i) Se consideran solo los valores de precipitación que son mayores a 0.01 mm.
ii) Los valores más extremos son retirados para evitar la influencia de valores
atípicos, en nuestro caso antes de estimar los umbrales se retiraron los
valores por encima del percentil 99 considerando los datos tomados en i.
iii) Se estiman los percentiles de 75, 90, 95 y 99% (p75, p90, p95 y p99), ya que
estos permitirán categorizar extremos de precipitación desde
DIRECCIÓN DE HIDROLOGÍA 12
 extremadamente lluvioso (valores mayores a p99); muy lluvioso (valores
mayores a p95 y menores a p99); lluviosos (valores mayores a p90 y
menores a p95) y moderadamente lluvioso (valores mayores a p75 y
menores a p90).

Para estimar los umbrales en una primera fase se utilizó la información observada de
datos de estaciones climatológicas de larga duración (1970-2015), se seleccionaron 187
estaciones a nivel nacional (ver Figura 6). Estas estaciones fueron seleccionadas por
tener un control de calidad y presentar al menos 95% de datos en el período y se
observa que en su mayoría estas estaciones son bien distribuidas en la vertiente del
Pacífico y del lago Titicaca y pobremente distribuidas en la vertiente del Amazonas. En
estas EC se estimaron los valores de umbrales de extremos para los percentiles de 75,
90, 95 y 99 para la duración de lluvia de un día.

Así, la Figura 7 muestra los valores de umbrales para p75, p90, p95 y p99 para cada una
de las estaciones. Como es de esperarse se observa que los valores de los percentiles se
incrementan acorde como se incrementan sus valores. Espacialmente los mayores
valores de umbrales de precipitación están localizados en la selva peruana (parte norte
donde existen más ECs) y en la parte norte de la vertiente del Pacífico (explicada por ser
la zona más impactada por el Fenómeno de El Niño) mientras los valores más bajos se
dan en la vertiente del Pacífico sobre todo en la parte sur de esta vertiente.

Sin embargo, tener estos valores de umbrales a punto de estación no es de mucha

utilidad si queremos caracterizar espacialmente a nivel del Perú. En este contexto, en
una segunda fase con los datos de PISCO Pd (1981-2015) se estimó en primer lugar el
valor de la precipitación máxima maximorum diaria de PISCO Pd, el cual se observa en
la Figura 8. Al igual que los mapas mostrados en la Figura 7, se observa que los centros
de altas precipitaciones están localizados en la parte norte de la vertiente del Pacífico,
en la vertiente del Amazonas. La mejora de la Figura 8 respecto a los mapas de la
Figura 7, es que se representa estos extremos a punto de grilla (datos ráster) a nivel
nacional con una resolución espacial de ~ 5 km. El mapa de la Figura 8 se utilizó para
mezclarlos con cada uno de los mapas de la Figura 7 a través del método de
interpolación KED (Kriging con external drift), previamente se compararon las ECs con
los datos ráster (Figura 7 y Figura 8 respectivamente) obteniéndose buenas

DIRECCIÓN DE HIDROLOGÍA 13
correlaciones espaciales, lo que llevo a tener buenos variogramas experimentales. Así,
la Figura 9 muestras los mapas de umbrales de p70, p90, p95 y p99 a nivel nacional y
en formato de grillas (ráster). Como se puede observar estos mapas recogen los patrones
espaciales presentados en las Figuras 7 y 8.

Figura 6. Distribución espacial de las 187 estaciones climatológicas utilizadas para la determinación de
umbrales (1970-2015).

DIRECCIÓN DE HIDROLOGÍA 14
Figura 7. Mapas de umbrales de precipitación máxima para un día de duración para cada estación
climatológica de la Figura 6 a) Mapa de percentil 75, b) Mapa de percentil 90, c) Mapa de percentil 95 y
d) Mapa de percentil 99.

DIRECCIÓN DE HIDROLOGÍA 15
Figura 8. Mapa de precipitación máxima maximorum de PISCO Pd (1981-2015).

DIRECCIÓN DE HIDROLOGÍA 16
 a) b)

c) d)

Figura 9. Mapa de umbrales grillados a nivel nacional generados al combinar umbrales de estaciones
climatológicas de largo período de información (1970-2015) ver Figura 7 y el mapa de precipitación
máximo maximorum de PISCO Pd (1981-2015) ver Figura 8 a) Mapa de percentil 99, b) Mapa de
percentil 95, c) Mapa de percentil 90 y d) Mapa de percentil 75. Círculos (Buffer), representan la
confiabilidad de las interpolaciones.

DIRECCIÓN DE HIDROLOGÍA 17
 VI. RESUMEN GENERAL, LIMITACIONES Y USO A CORTO PLAZO
Por primera vez en el Perú, se ha desarrollado un producto grillado de precipitación
diaria a nivel nacional que comprende el periodo 1981-2015 utilizando técnicas
geoestadísticas y que combina datos de estaciones climatológicas con el producto
grillado CHIRP, denominado PISCO Pd (PISCO precipitación diaria). Este producto es
parte de los subproductos de PISCO (“Peruvian Interpolate data of the SENAMHI’s
Climatological and hydrological Observations” por sus siglas en ingles) que ya ha
desarrollado el producto de precipitación mensual que es utilizado actualmente para el
monitoreo de sequías (http://www.peruclima.pe/?p=Indicadores-de-sequias).

El análisis de PISCO Pd (algoritmo de generación y validación) muestra buenas

performances en base a sus resultados estadísticos espacio-temporales y será una
herramienta importante para comprender y caracterizar mejor las precipitaciones a una
resolución temporal fina (diaria) así como los diversos usos que se le puede dar, como
entender mejor los procesos hidrológicos y sus usos.

Asimismo, gracias a PISCO Pd y a los datos de 187 estaciones climatológicas de larga

duración (1970-2015) se han elaborado umbrales de precipitación de datos grillados
(ráster) en base a una combinación mediante interpolación geoestadística (KED,
“Kriging con external drift”).

Sin embargo, PISCO Pd y sus derivados (mapas de umbrales) presentan un nivel de

confiabilidad espacial variable a escala del Perú (ver Figura 9). Esta confiabilidad está
estrechamente relacionada por la disponibilidad espacial de estaciones climatológicas a
la hora de generar PISCO Pd. Así, en el caso del Perú la confiabilidad es baja en la parte
amazónica dada su baja densidad de estaciones. En este contexto, PISCO Pd puede ser
utilizado en las regiones confiables ya que su algoritmo representa con exactitud los
valores de precipitación diaria de las estaciones climatológicas mientras que en las
regiones no confiables (donde no existe estaciones climatológicas) es necesario utilizar
con cautela PISCO Pd ya que sobre estimará o sub estimará las precipitaciones.

El SENAMHI, a través de Dirección de Hidrología utilizará este producto para su

monitoreo de inundaciones diario realizando acumulaciones de 1, 5 y 10 días y
comparando con los umbrales de precipitación máxima obtenido; en ese contexto al no
ser el CHIRP un producto de lluvia en tiempo real se está utilizando desde el 1 de Enero
DIRECCIÓN DE HIDROLOGÍA 18
del 2016 el producto IMERG del GPM (https://pmm.nasa.gov/data-
access/downloads/gpm) que tiene un retraso de 4 horas. Así, se espera realizar el
monitoreo de precipitaciones en base a la lluvia diaria y a los umbrales determinados en
este estudio. Un ejemplo de aplicación para el 28 de Noviembre del 2016, se observa en
la Figura 10. Este piloto, será una herramienta de monitoreo que ayude a observar las
regiones (cuencas) más susceptibles a inundaciones.

Los datos de PISCO Pd así como sus niveles de confiabilidad espacial y los umbrales
determinados estarán próximamente de libre disponibilidad en la página web de la
institución (www.peruclima.pe).

Figura 10. Izquierda mapa de precipitación acumulada diaria y Derecha mapa de potenciales peligros en
base a umbrales de precipitaciones extremas, para el 28 de Noviembre del 2016.

DIRECCIÓN DE HIDROLOGÍA 19
 VII. BIBLIOGRAFÍA
 Alfaro-Lozano Luis (2014). Estimación de umbrales de precipitaciones
extremas para la emisión de avisos meteorológicos. Nota Técnica 001.
SENAMHI-DGM-2014.
 Almazroui M. (2011). Calibration of TRMM rainfall climatology over
Saudi Arabia during 1998-2009. Atmospheric Research 99 (3-4): 400-
414 doi: 10.1016/j.atmosres.2010.11.006
 Andres N, Vegas Galdos F, Lavado Casimiro WS, Zappa M. (2014).
Water resources and climate change impact modelling on a daily time
scale in the Peruvian Andes. Hydrological Sciences Journal 59 (11):
2043-2059 doi: 10.1080/02626667.2013.862336
 Ayre M, Nettle R. (2015). Doing integration in catchment management
research: Insights into a dynamic learning process. Environmental
Science and Policy 47: 18-31 doi: 10.1016/j.envsci.2014.10.011
 Carey M, Baraer M, Mark BG, French A, Bury J, Young KR, McKenzie
JM. (2014). Toward hydro-social modeling: Merging human variables
and the social sciences with climate-glacier runoff models (Santa River,
Peru). Journal of Hydrology 518 (PA): 60-70 doi:
10.1016/j.jhydrol.2013.11.006
 Chappell A, Renzullo LH, Raupach TJ, Haylock M. (2013). Evaluating
geostatistical methods of blending satellite and gauge data to estimate
near real-time daily rainfall for Australia. Journal of Hydrology 493:
105-114 doi: 10.1016/j.jhydrol.2013.04.024
 Funk C, Peterson P, Landsfeld M, Pedreros D, Verdin J, Shukla S, Husak
G, Rowland J, Harrison L, Hoell A, et al. (2015). The climate hazards
infrared precipitation with stations — a new environmental record for
monitoring extremes: 1-21 doi: 10.1038/sdata.2015.66
 Ioris AAR. (2012). The neoliberalization of water in Lima, Peru.
Political Geography 31 (5): 266-278 doi: 10.1016/j.polgeo.2012.03.001
 Kuznetsov M, Yakirevich A, Pachepsky YA, Sorek S, Weisbrod N.
(2012). Quasi 3D modeling of water flow in vadose zone and

DIRECCIÓN DE HIDROLOGÍA 20
 groundwater. Journal of Hydrology 450-451: 140-149 doi:
10.1016/j.jhydrol.2012.05.025
 Lasage R, Muis S, Sardella CSE, van Drunen MA, Verburg PH, Aerts
JCJH. (2015). A Stepwise, participatory approach to design and
implement community based adaptation to drought in the Peruvian
Andes. Sustainability (Switzerland) 7 (2): 1742-1773 doi:
10.3390/su7021742
 Mantas VM, Liu Z, Caro C, Pereira AJSC. (2015). Validation of TRMM
multi-satellite precipitation analysis (TMPA) products in the Peruvian
Andes. Atmospheric Research 163: 132-145 doi:
10.1016/j.atmosres.2014.11.012
 Mcdougall VD, Dugdale G. (1994). Experience of the Tamsat Group in
West Africa
 Stisen S, Tumbo M. (2015). Interpolation of daily raingauge data for
hydrological modelling in data sparse regions using pattern information
from satellite data. Hydrological Sciences Journal (March 2015): 1-16
doi: 10.1080/02626667.2014.992789
 Thouret JC, Enjolras G, Martelli K, Santoni O, Luque JA, Nagata M,
Arguedas A, MacEdo L. (2013). Combining criteria for delineating
lahar-and flash-flood-prone hazard and risk zones for the city of
Arequipa, Peru. Natural Hazards and Earth System Science 13 (2): 339-
360 doi: 10.5194/nhess-13-339-2013.

DIRECCIÓN DE HIDROLOGÍA 21